大群体决策理论与方法研究综述：问题与挑战
0引言
自1781年法国数学家Borda提出群体方案选择模型以来，群体决策逐渐成为决策领域关注的焦点.随着社会经济的不断发展，决策环境、决策群体和决策属性等都发生了深刻的变化，其复杂性和不确定性的增加及知识和信息量的急剧增长，群决策已经演变成为大群体决策，并呈现出新的特征[1]：1)参与决策的群体规模更加庞大，从十几人到数十人、数百甚至数千人不等，观点多样性日益明显；2)参与决策的成员来源更加广泛，不同组织、不同背景的决策专家甚至还有社会公众，他们的知识、经验和个体特征等具有多元化和异质性；3)决策属性体系更加庞杂且属性间关联关系的复杂性不断增加；4)决策环境信息量急剧膨胀，决策成员的个体判断越来越难以满足决策问题精确性和客观性的要求；5)决策问题更加复杂，单目标与多目标、静态与动态共存的复合决策模式逐渐取代了原来的单一静态决策模式.这些特征决定了决策群体逐渐演变成了大群体，这不仅为群体决策带来了新的研究视角，更为大群体决策理论与方法的发展带来了新的机遇与挑战，成为决策科学发展的新契机.自2005年中国控制与决策学术年会(17thCDC)论文集发表论文《网络环境下复杂大群体决策支持系统研究》[2]以来，大群体决策理论与方法逐渐成为了国内外决策科学研究新的热点领域.
大群体决策是指由众多决策成员参与，根据所提供的决策信息对备选方案进行偏好表达，依据特定的规则将众多个体判断集结成为大群体判断，以得出方案排序或从多个备选方案中选择最佳方案的过程.相对于一般决策，大群体决策能够充分利用多方面的资源，发挥大群体知识结构不同的优势，保证决策时考虑决策问题的全面性，使得决策更加客观和贴近实际，提高决策的科学性.大群体决策所具有的决策优势，已广泛应用于实际复杂决策问题中，如重特大自然灾害或重大突发事件应急决策[3]、重大基础设施工程决策[4]、政府或行业的重大战略决策[5]、物流与供应链管理[6]、医疗保键管理[7]等领域.这些大群体决策方法在实际决策问题中的成功应用，不仅扩展了复杂决策问题解决途径，反过来也极大地促进了大群体决策理论与方法的发展.
大群体决策是一门综合管理科学、数学、经济学、社会心理学、行为科学和其它学科的交叉学科.大群体决策问题具有完整的求解流程，主要步骤包括大群体偏好结构分析、偏好冲突分析与协调机制、非合作行为与决策共识达成、不同形式偏好信息融合集结、决策风险分析、决策行为影响因素及演化机理等核心内容，每个环节都会影响决策结果的科学性和合理性.近年来国内外学者做了大量的研究工作，为充实和完善大群体决策理论和方法体系做出了巨大贡献.经过十余年的发展，大群体决策理论和方法体系不断得到完善，在理论和实践领域都取得了许多成就.本文系统地梳理和回顾大群体决策理论与方法的发展现状、研究热点和前沿进展，评述当前大群体决策理论与方法研究面临的问题和挑战，探讨大群体决策的发展趋势等.
1发展现状目前，关于大群体决策的研究重点主要集中在多属性大群体决策方法研究、冲突性大群体决策方法研究和风险性大群体决策方法研究三个方面：多属性大群体决策方法主要是探讨在复杂属性偏好下的大群体决策方法的规范性研究；冲突性大群体决策方法主要集中于探讨大群体偏好冲突的测度与消解及消解过程中的行为管理研究；风险性大群体决策方法主要注重于大群体决策风险识别、测度、消解和控制的方法和机制研究，综合考虑了决策专家的偏好风险、心理行为等，并且通常和社会网络、信息熵、大数据技术等前沿理论方法相结合，具有极好的实用性和应用前景.在此基础上，形成了大群体决策理论框架[1].表1对大群体决策方法的分类与研究内容进行了总结.
表1大群体决策方法分类及研究内容总结Tab.1Classificationandsummaryofresearchcontentsforlargegroupdecisionmakingmethods决策方法分类研究内容多属性大群体决策方法偏好表达形式确定型偏好信息[8-9]；不确定型偏好信息：模糊偏好信息[10-14]、语言偏好信息[15-21]、随机偏好信息[22]、概率犹豫模糊集[23]、概率语言偏好信息[24-25]权重确定方法主观方法[26-27]；客观方法：期望偏差最小法[15]、熵权法[28]、偏最小二乘法[29]、规划法和信息熵[30]、最小方差法和熵权法[31]；主客观结合法[32]偏好聚类方法偏好矢量相聚模型[33]、改进的蚁群聚类算法[34]、最小连通支配集算法[35]、三维灰色关联分析层次聚类方法[36]、二叉树DEA-DA循环分类模型[37]、基于改进云模型的聚类方法[16]偏好集结方法基于证据推理的方法[38]、基于前景随机占优准则的方法[39]、后悔理论、协商聚集理论和蒙特卡洛仿真技术相结合方法[40]、考虑属性间的二元关系[41]、主成分分析法[42-43]冲突性大群体决策方法冲突测度成员偏好与大群体偏好之间的距离[44-45]、两两成员偏好之间的距离[46-47]、方案排序距离[48]、社会网络冲突关系[49]、基于社会网络关系与偏好相似度的冲突网络[50]冲突消解在决策过程的其他阶段对偏好冲突进行考虑[51]、根据决策成员的冲突水平确定成员权重[52-53]、基于线性组合的偏好调整[44,47-48,54]、基于目标优化的偏好调整[50,55]、偏好调整和权重惩罚双重机制[56-57]决策主体行为非合作行为[58-63]、少数意见[64]、个体对方案的关注度及对冲突的满意度[65]、个体偏好犹豫性[66]、个体可靠性[67]、过度自信行为[68]、决策个体个性化语义[45,55]风险性大群体决策方法偏好风险极端偏好风险[69]、决策者信任风险[63]、决策者权利分布风险[70]决策个体心理行为后悔理论[71]、前景理论[72]大数据环境证据推理[25]、文本挖掘和语义分析[3]表选项1.1多属性大群体决策方法在特大自然灾害、重大突发事件、重大工程项目等复杂决策问题领域，传统的(小规模)群体决策理论与方法已经逐渐不能满足实际问题决策的需要，参与决策的群体变成了一种多维属性的大群体.与传统的群体决策相比，多属性大群体决策(简称大群体决策)呈现特点[3,35]：1)群体规模大，一般来说，决策成员个数大于20[3,37,58,65]且决策群体具有较高的复杂性；2)决策问题属性呈现多维性、复杂性和随机性；3)需要满足大群体偏好较高的一致性要求.近10年来，大群体决策与管理科学、模糊数学、博弈论、协同学、和谐管理理论、计算机、信息技术等领域理论相互融合发展，许多专家学者参与其中，提出了一系列大群体决策方法，取得了不错的社会效用和经济价值.
多属性大群体决策的思路，按照决策的纵向顺序，主要有决策者偏好信息表达、权重确定、大群体聚类、大群体偏好信息集结等步骤，相关研究及拓展也主要从这4个方面展开：
1)基于不同偏好表达形式的多属性大群体决策方法
决策成员的偏好信息主要分为确定型和不确定型两种.其中，确定型偏好信息主要以实数形式呈现，早期的研究以确定型偏好信息为主，如Wu等[8]针对确定型乘性偏好关系的大群体决策最优方案选择问题，提出了基于最小化群体对数平方相容的大群体决策方法；Zuo等[9]将大群体决策方法用于物业感知服务质量评价，提出了一种基于线性规划的多属性大群体决策方法.不确定型偏好包含的形式较为多样，大致分为模糊偏好信息、语言偏好信息、随机偏好信息等表达形式.模糊偏好信息方面，国内外学者提出一系列大群体决策方法[10-14]，如Liu等[11]将区间直觉模糊数转化成单值数字，进而提出一种基于多区块分析的两阶段正则化广义正则相关分析决策方法，用于解决区间直觉模糊环境中决策属性并不总一致的多属性大群体决策问题；Xu等[13]针对属性权重未知、专家偏好信息由广义区间梯形模糊数表示的多属性大群体应急决策问题，与TOPSIS方法相结合提出了一种新的决策方法；Zhou等[14]针对两两比较的模糊偏好形式，提一种基于冲突的大群体模糊偏好关系决策方法.语言偏好信息方面，李海涛等[15]针对不确定语言评价信息下的大群体决策问题，提出一种基于蒙特卡洛经验模态分解提取专家语言评价信息的多属性大群体决策方法；徐选华[16]等针对具有语言评价标度的多属性大群体决策问题，提出了基于改进云模型的语言偏好多属性大群体决策方法；Yu等[18]基于多粒度非平衡语言信息，评估非平衡的语言分布的相对得失，将经典的交互式多准则决策(TODIM)方法扩展为多属性大群体决策问题的可选方法；Zhang等[19]使用多粒度语言分布对决策偏好信息进行表达，以保持信息保留的最大化，基于作者提出的一种拓展语言粒度计算模型，一种多属性大群体决策方法得以提出.随机偏好信息方面，徐选华和万奇锋针对属性权重信息完全未知和属性值为连续型随机变量的多属性大群体决策问题，将正态分布的3σ原则推广到任意分布，将随机属性值转化成区间数，利用不确定性有序加权平均算子获得决策方案的综合排序[22].
近年来，决策偏好信息的表达形式侧重于两种或多种不确定形式的交叉和组合.如，Jiang等[23]针对犹豫模糊集信息丢失严重的问题，提出改进的概率犹豫模糊集，并进一步提出了新的运算规则及集结算子，进而得出一种基于新算子的多属性决策方法；Song等[24]使用概率语言偏好关系来表示偏好，通过数学规划建立了概率缺失的计算模型，提出了一种改进一致性的迭代算法，以获得一致性较好的决策结果.
针对偏好表达形式的大群体决策方法研究已从定量表达转变成定性表达且越来越接近人们的表达习惯，使人们更容易对方案进行评价，也更能呈现决策专家在对方案进行评价时的心理状态.因此，针对不确定型信息的大群体决策方法具有更强的实用性，且可应用于多种场合，如应急决策[12-13,15-16]、大学人才招聘[18-19]、航天装备评估[22]、投资决策[24]等.
2)基于不同权重确定方法的多属性大群体决策方法
权重确定方法分为主观、客观和主客观综合方法.主观类的方法，权重往往来自决策者直接的相互评价，如：Dong等[26]认为在群体信息集结的过程中，可以根据专家的专业技能、合作性和公平性等表现来动态生成多属性互评矩阵，获得专家权重；Zhao等[27]从社交网络的视角，将决策者的合作和偏好网络相结合，构建了有向加权社交网络，进而获得决策者的相对权重.
客观权重确定方法，一类与传统的群决策权重方法类似，如：李海涛等[15]在多属性大群体决策中，建立以专家期望偏差最小为目标函数的优化模型，以求解属性权重；陈晓红等[28]利用熵权法获得各个属性权重向量，将各个属性权重向量和大群体偏好矩阵进行合成，获得各个方案的综合评价值向量；Liu等[29]提出一种改进的连续的有序加权平均(C-OWA)算子，将区间直觉模糊数转化成直觉模糊数，通过偏最小二乘法得到潜在变量的估计值和权重，最终得到一种多方案排序方法.另一类方法则与大群体聚类后的聚集结构相关，如：Liu等[30]针对区间直觉模糊环境下的多属性大群体决策，提出了专家的双权重确定方法，使用数学规划和信息熵来求解专家权重，充分考虑了专家数量和整个集结过程中提供的信息量；Xu等[73]考虑到决策者对所在聚集和其他聚集的不同贡献，发展出双重权重模型来计算聚集中决策者的权重及聚集的权重；Liu等[31]针对复杂多属性大群体决策问题，在专家聚类结果已知的情况下，提出了最小方差模型和熵权模型来分别确定聚集的权重及聚集内部的专家权重，最终确定决策专家的权重.
主客观综合权重确定法，权重往往由主观和客观两类方法的一个加权结果所确定.如：Liu等[32]面对来自不同小团体的决策问题，通过汇总组织者的主观权重和决策者评价一致性水平相关的客观权重，得到每个备选方案的决策权重.
不同权重确定方法都具有一定的优势和缺陷，主观确定方法在决策过程中易于执行，但其完全依赖于决策专家的主观评价，可能会存在个人偏见；客观评价方法则通过决策者提供的评价信息进行分析从而获得其权重信息，具有一定的客观性，但忽略了人们的主观判断.主客观综合法则弥补了这两种方法的缺陷，更具适用性.
3)大群体偏好聚类方法
偏好聚类方法是大群体决策方法的重要基础，徐选华[33]等针对大群体偏好矢量集构建了两两成员间的偏好矢量相聚模型，然后提出了一种大群体偏好聚类算法；并在此基础上针对文[33]的偏好聚类算法不足和蚁群聚类算法参数选取复杂、自适应性差及随机性等缺点，提出了一种改进的蚁群聚类算法，并应用于多属性大群体聚类与决策中[34]；刘蓉等[35]针对现有FCM聚类算法中存在的局部极值和伸缩性较差等问题，提出了基于全部最小连通支配集算法(minimumconnecteddonatingsetalgorithm，MCDSA)的改进聚类算法，用以辅助大群体决策.另外，Ma等[5]从多阶段犹豫模糊语言术语的角度出发，提出一种基于期望距离和犹豫相似度的专家相似度度量方法，进而建立专家聚类方法，用于解决大群体决策问题；Benitez等[74]面对大型的偏好关系矩阵，提出一种改进的聚类算法，用以解决传统聚类算法造成的决策者的认知力问题；Zhu等[36]研究具有判断矩阵和多属性决策矩阵两种信息的大群体聚类问题，建立了一个综合备选方案向量、指标向量、偏好向量的三维灰色关联度指标，结合三维灰色关联分析和层次聚类方法，提出了一种新聚类方法；Liu等[37]提出了将利益群体与实际决策信息相结合对决策人员进行分类，构建了部分二叉树DEA-DA循环分类模型，实现了大群体的多组分类；徐选华和吴慧迪基于泛概念树，提出了一种基于改进云模型的聚类方法，将其用于语言偏好信息多属性大群体决策中[16].
这些聚类方法中适用性最广的是偏好矢量相聚模型[33]，该模型主要是基于决策专家偏好信息的相似性或相关性来进行专家聚类，但是该方法具有一定的随机性且需要事先确定聚类阈值，这些都会影响聚类结果.很多聚类方法则主要是针对特定的偏好表达形式，如犹豫模糊语言[5]、双重信息[36]、区间直觉模糊数[37]及语言偏好信息[16]，适用性较差.
4)大群体偏好信息集结方法
大群体偏好信息集结的目的是获得大群体决策结果，如：周雯等[38]考虑专家知识结构，以证据推理规则为技术基础，遵循先个体偏好融合后群体融合的思路，进一步形成了一种大群体决策方法；樊治平等[39]针对具有属性期望的多属性多标度大群体决策问题，在考虑参与决策人心理行为的情境下，基于前景随机占优准则建立方案比较的前景随机占优关系矩阵，并通过计算方案比较的前景随机优势度来得到方案的排序；Liu等[40]将后悔理论、协商聚集理论(negotiationgatheringtheory)和蒙特卡洛仿真技术相结合，提出一种偏好集结方法，有效地解决了锦屏某水电站施工导流方案选择的多属性大群体决策问题；徐选华等[41]考虑决策属性相互独立的不足，基于属性之间二元关系，提出了一种大群体决策偏好集结和决策方案排序方法；Xu等[75]提出一种两阶段多属性大群体共识方法，第一阶段利用自组织映射(self-organizingmaps)将大群体分为若干子群体，然后通过迭代算法获取每个子群体的偏好，第二阶段将每个子群体进行折叠，形成更小更易于管理的小群体；Liu等[42-43]借鉴主成分分析的思想，将属性和决策者视为区间直觉模糊变量，并将之转化成几个独立变量，然后与传统的偏好聚集算子结合得到一类解决复杂多属性大群体的决策方法.
这些偏好集结方法从不同角度进行研究，如考虑决策专家的知识结构[38]、心理行为[39-40]、属性的二元关系[41]、属性的非独立性[42-43]等，广泛应用于手机设计方案选择[39]、水电站施工导流方案选择[40]、应急决策[41]、水电站建设项目选择[42]等决策问题.
1.2冲突性大群体决策方法在大群体决策过程中，由于决策成员在心理认知、背景和知识等方面存在差异，同时决策问题本身具有复杂性和不确定性，使得专家在对方案进行评价时必然存在偏好冲突.决策大群体成员众多，成员间存在冲突，因此很难对决策结果形成较高的共识.为保证决策结果的有效性，须在决策过程中对决策成员偏好之间的冲突进行消解.大群体成员偏好冲突与共识是一对相反的概念，减小冲突就需要增大共识，因此学者主要从提高共识的角度来对大群体冲突进行研究.近年来，对冲突性大群体决策方法的研究主要从以下两个方面进行：一方面是基于冲突测度与消解，另一方面是在冲突消解过程中考虑决策主体的行为因素.
1)基于冲突测度与消解的大群体决策方法
对冲突性大群体决策方法的研究最初是对决策成员偏好间的冲突进行测度与消解，冲突测度主要通过对决策成员偏好之间的距离进行测度，主要从两个角度进行：一是通过测度决策成员偏好与大群体偏好之间的距离来得到成员的偏好冲突[44-45]；另一个角度是测度两两成员偏好之间的距离，然后利用集结函数将其进行集结得到某一成员与其他成员的偏好冲突[46-47].在进行距离测度时通常借鉴已有研究，但也有少量研究针对不同的偏好表达形式提出新的距离公式，如徐选华等[54]针对区间直觉梯形模糊数提出一个新的距离公式，在此基础上对偏好冲突进行测度；Gou等[47]针对双层犹豫模糊语言提出一个转换函数并将其应用于距离测度.
另外，也有部分文献通过其它方式进行冲突测度，Tang等[48]针对大群体决策过程中的异质信息提出一种方案有序共识指数来进行冲突测度；Ding等[49]利用社会网络来表示决策成员间的冲突关系，并根据冲突关系的指向将决策成员的冲突分为观点冲突与行为冲突；Liu等[50]首先计算两两成员间的偏好相似度，然后结合社会网络关系中的信任值得到成员间的不和谐度，并将其与设定的阈值进行比较从而构造决策成员的冲突网络，最后根据冲突网络的入度指数和出度指数得到决策过程中的总体冲突水平.
最常用的冲突测度方法是计算决策专家偏好的距离，无论是专家与群体的偏好距离还是两两专家之间的偏好距离，这两种方式各具优缺点，前者计算简单，但需要首先获得群体偏好，不同的信息集结方法会影响专家冲突水平的计算；后者则考虑的是所有专家之间的偏好距离，无需获得群体偏好，但计算复杂度会显著增大，尤其当决策专家数量较大时.其余的方法主要是针对特殊情况，如异质信息[48]、社会网络[49-50]等.
在冲突消解方面，Labella等[76]对不同的冲突消解模型在大群体决策中的应用进行了比较研究，分析了它们的性能并找出它们在大群体决策中所面临的挑战.已有的大群体冲突消解模型主要从4个角度进行.第1个角度是对冲突进行测度后，在决策过程的其他阶段进行考虑，以减小其对决策结果的影响；徐选华等[51]在对大群体专家进行聚类的过程中考虑偏好冲突，并将其作为确定最佳聚类阈值的标准.第2个角度是根据决策成员的冲突水平确定成员权重，间接减小偏好冲突过大的决策成员偏好的重要性；徐选华等[52]以最小化决策成员间的偏好冲突为目标来构造优化模型得到决策成员的权重；Cai等[53]提出两个相对熵优化模型来计算聚集和阶段权重以保证偏好冲突最小.第3个角度是对偏好进行修正来减小冲突，一方面依据修正参考进行偏好调整，如徐选华等[54]以成员数最多的聚集偏好作为其余聚集成员调整偏好的参照，大多数研究则以大群体偏好作为参照来进行偏好调整[44,47-48]；另一方面利用优化模型进行偏好调整，如Liu等[50]以最大化调整前、后的总体冲突水平差为目标构建非线性优化模型进行偏好调整；Xiao等[55]则以偏好信息损失最小化为目标构造优化模型保证以最小的调整成本，使冲突水平低于阈值.第4个角度是利用偏好调整和权重惩罚双重机制[56]来进行冲突消解.
这些冲突消解方法各具特色，前2种消解方法无需对专家的偏好进行调整，在保证专家原始偏好信息的前提下使最终选择的方案尽可能地获得较小的冲突水平，但是这些方法并没有考虑决策专家之间的互动；第3种方法最受关注，主要是通过调整偏好来降低冲突水平，在调整过程中考虑了专家的主观调整意愿[44,47]、冲突降低水平[50]及最小信息损失[55]等；第4种方法结合偏好调整和权重惩罚的综合方法来对冲突水平较大的专家进行处理，既考虑了专家之间的互动，又考虑了不同专家对群体共识的贡献度.
由于大群体决策过程中通常需要对专家进行聚类以降低决策过程的复杂性，在大部分冲突性大群体决策方法研究中，通常的做法是在专家聚类后以聚集作为决策单元进行冲突测度与消解，但也有少部分研究同时考虑了聚集内部与聚集间的冲突，从而提出两阶段冲突消解方法，如Li等[77]以改变内部成员权重的方法减小聚集内部的偏好冲突影响，同时以调整偏好的方法减小聚集间的偏好冲突；Xu等[75]分别依据聚集偏好信息与群体偏好信息对聚集内部成员和聚集进行偏好调整减小相应的冲突水平；Tang等[78]根据聚集内部冲突与聚集间冲突的大小组合将聚集分成4大类，并针对不同类的聚集提出不同的偏好调整建议；Xiao等[55]则根据聚集内和聚集间冲突提出两个非线性优化模型进行偏好调整.这种考虑聚集内部和聚集间冲突水平的大群体决策方法更具全面性，使选择的方案不仅满足聚集间较低的冲突水平，同时聚集内部也对所选择的方案持有较高的共识.同时，对聚集间冲突进行消解时，大多数文献是对聚集偏好进行调整，但也有少数文献是对该聚集内部的某些成员偏好进行调整，Wu等[46]通过将聚集内部成员的偏好值形成集合构造聚集犹豫模糊集偏好信息，然后识别出冲突水平最高的聚集中冲突水平最高的决策成员调整其偏好值，并利用冲突水平最低的聚集偏好的期望值作为调整参照.对聚集内部的专家偏好信息进行调整保证了对专家的高度尊重，但也可能会存在冲突水平降低速度过慢，共识迭代次数过多的情况.
2)考虑决策主体行为的冲突性大群体决策方法
由于大群体决策的复杂性及决策主体个体差异，在对冲突进行消解的过程中，决策主体会表现出不同的行为，有研究在冲突消解过程中考虑决策主体行为并提出了不同的大群体决策方法.其中，考虑最多的是决策主体的非合作行为，Palomares等[59]提出了一种基于聚类的方法来识别具有非合作行为的聚集和个体，并利用权重惩罚机制来减小它们对冲突消解的影响；徐选华等[64]为保护大群体应急决策过程中的少数意见，提出一种综合修正系数，以应对决策主体不愿修正自身偏好的问题；Quesada等[60]计算决策主体在冲突消解过程中的合作程度，然后将其应用于统一模集结算子计算成员权重以处理非合作行为；Xu等[58]通过不同的权重确定方法来处理大群体应急决策过程中的少数意见和非合作行为；Dong等[61]提出一个自我管理机制来应对大群体决策冲突消解过程中的非合作行为；Xu等[62]通过结合聚集在修正偏好过程中的理性水平与不合作水平，构造了聚集修正偏好的自信水平，然后将其用于非合作行为的管理；Shi等[79]利用合作指数与非合作指数对冲突消解过程中的决策主体行为分成3类：合作领导行为、非合作领导行为和普通行为，然后利用统一模集结算子更新聚集权重对其进行奖励或惩罚；Xu[63]在冲突消解过程中考虑了社会网络环境下的信任关系，并结合信任风险和偏好风险对冲突消解过程中的非合作行为进行管理；Chao等[80]引入余弦相似度进行不同偏好结构的距离度量，并提出了共识度测度和加权模型，以减少金融普惠决策中非合作行为对大群体决策共识的影响.
此外，部分研究者也对决策过程中决策主体的其它行为进行了研究.如Xu等[81]考虑应急决策的时限性，通过对冲突过大的决策成员采取退出—委托机制来加快冲突消解的速度；Zhang等[65]在对冲突进行测度与消解的过程中考虑了个体对方案的关注度及对冲突的满意度；Rodríguez等[66]在获得聚集信息时考虑犹豫度将聚集内部成员的偏好值形成一个集合得到犹豫模糊集，然后在冲突消解过程中通过设置两个阈值来判断冲突的高低程度，并针对较高与较低的冲突分别提出两种不同的消解方式；Liu等[67]通过考虑决策个体偏好信息的一致性及其与群体偏好信息的冲突提出了一个可靠性指数，对不可靠信息进行调整；Liu[68]利用自信模糊偏好关系表达决策个体对方案的评价，然后在冲突消解过程中对决策成员的过度自信行为进行监测和管理；Li等[45]和Xiao等[55]考虑了决策个体的个性化语义，前者根据个性化语义进行专家聚类，并以聚集中的个体作为该聚集内个体调整偏好的参考，后者则通过个性化语义将语言分布转换成数值并构建优化模型进行冲突消解.
在冲突消解过程中对决策主体行为的考虑使决策方法更接近实际，通过考虑主体的不同行为将决策专家划分为不同的群体，并针对性地提出冲突消解方法，或进行偏好调整或进行权重惩罚，增强了方法的适用范围，广泛应用于应急决策[58,63-64,81]、大学项目投资[65]、地铁线路建设[79]、水资源管理计划选择[55]、化石燃料开采[59]、政府行动计划[60]、大学计算机实验编程语言选择[67]等决策问题.
1.3风险性大群体决策方法近年来，包括自然灾害在内的特大突发事件在我国发生愈加频繁，其特有的复杂特征使得针对这类突发事件的决策过程充满不确定因素，对外呈现为风险性决策.在此背景下，将决策风险引入大群体决策方法中具备极大的现实意义，并且引起了国内外学者的研究关注.
风险决策往往和突发事件密不可分，无论是突发的地震、洪水、泥石流等自然灾害，还是爆炸、火灾等人为事故，突发事件发生后的首要任务是组织专家对事态现状进行分析研判，力争在短时间内做出科学高效的决策以最大程度控制事态发展，降低事故损失.另外，众多决策专家组成的大群体决策环境在面临专家偏好与认知水平差异带来的冲突的同时，也需要妥善应对突发事件背景下的不确定性因素，风险性大群体决策方法应运而生.例如Xu等[82-83]在分析了大群体应急决策风险成因的基础上，构建了应急决策风险消解框架，并在该框架下成功降低了大群体决策风险，实现了有效消解决策风险的目标；耿秀丽等[84]提出了一种考虑双层专家权重的大群体风险性决策方法，第一层对专家进行聚类并根据聚类结果求解聚集权重，第二层通过熵权法获得专家熵权，最后将二者结合获得最终专家权重；曹静等[69]考虑了大群体中持有极端偏好的决策成员影响力较大的问题，极端偏好往往是少数成员意见的体现，极端偏好所具备的影响力意味着不能忽视少数意见，比如非合作行为等，基于成员风险偏好相似度构造了极端偏好影响力模型以衡量非极端偏好成员对极端偏好成员的接受程度，进而建立多阶段大群体风险偏好演化模型.随着社会网络技术的发展，专家之间的信任关系又对大群体专家共识达成提出了新的挑战，基于这一思考，有学者提出了信任风险和偏好风险的概念，并据此对非合作行为实施了有效管理[63].在工程项目领域，徐选华等[70]根据信息熵理论构建了一种大群体决策风险测度模型，并以此定量计算了工程项目中由权利分布导致的风险，风险大小成为了最终方案排序的重要依据.
大群体决策过程中的共识达成与冲突消解一直都是值得深入研究的问题，在风险性大群体决策的背景下，冲突和风险二者可以互为补充，有机结合为新的理论热点；与此同时，大群体环境下决策者的心理行为的不稳定性也可以看作是决策过程中的不确定因素，可能引发决策风险.为解决这类问题，国内学者做出了很多积极尝试，比如在考虑决策专家心理行为因素的条件下，可以利用风险熵计算每个聚集中的决策专家在不同状态中的冲突风险，再结合后悔理论中的感知效用值获得方案排序[71]；类似于后悔理论，前景理论也可以为风险性大群体决策方法的构建提供理论依据，累积前景理论能够帮助决策专家计算大群体的总体前景值，在考虑决策者的偏好会出现未来状态转移的条件下，利用该前景值和偏好转移矩阵可以获得最终决策结果[72].
此外，大数据环境的到来使得突发事件发生后社会公众得以通过社交媒体等渠道参与到决策过程中来，他们的评论会构成海量数据影响决策结果，证据推理可以得出公众对备选方案的风险效用值，大数据技术能在这些效用值的基础上识别风险偏好，进而筛选出风险中立的决策者构成新的决策群体，降低决策风险[25].除了专家风险偏好，大数据环境下大群体决策风险本身也是一个值得研究探讨的话题，Xu等[3]利用文本挖掘和语义分析等大数据技术从历史数据中获取决策属性词典，在此基础上应用模糊关联规则挖掘确定应急决策属性并根据信息熵理论对决策风险进行度量，以此作为最终方案选择的依据.
风险性大群体决策方法在考虑决策专家偏好冲突的基础上更进一步考虑了决策过程中其他可能导致决策失误的因素，如专家的偏好风险、心理因素及大数据环境的影响，能较好地应用于应急决策领域[3,25,66,70-72].
2研究热点和前沿进展大群体的特性和复杂性决定了大群体决策具有自身独特的研究特点，有别于传统决策和群决策，大群体决策需要考虑的影响因素众多，使得其研究内容非常丰富，研究热点和前沿进展可以包括5个方面：
1)大群体偏好分布结构探索
大群体决策与传统群决策不同的一个显著特征就是大群体决策中的决策成员数量要多得多，其内部偏好的结构非常复杂，这给大群体决策偏好集结带来了很大的困难.因此，探索大群体内部偏好分布结构就显得尤为重要，而大群体偏好聚类是现有研究中比较有效并且运用最广泛的方法.将大群体成员决策偏好相似或相近的成员聚集为一类，不仅能够降低大群体决策的复杂性，还可以降低大群体的维度.
较常应用的聚类方法可分为两类：层次聚类方法和分类聚类方法.前者为自下而上的策略将决策成员构建成为聚集，直到所在决策成员归为一个聚集内；后者没有层次结构，通过决策个体与个体间的距离、相似度等进行聚类，如K均值算法、模糊C均值算法和模糊等价关系等；除了上述聚类方法外，还有学者基于自组织图、稀疏表、数据包络分析和判别分析(DEA-DA)和一些不涉及聚类过程的方法对大群体偏好进行聚类.这些方法都能将大群体分为若干聚集，具有较好的应用前景，但仍存在如基于密度、社会网络等其它方法，对大群体聚类有着较大的实用价值和应用空间.
2)基于共识的大群体偏好融合方法
在大群体决策方法中，大群体偏好的获取离不开决策成员偏好信息的融合，对于具有异质偏好结构的决策大群体，更是依赖偏好信息融合方法来进行决策方案的选择.目前已经开发出很多方法来解决大群体偏好信息融合问题，这些方法大致可以分为3个研究领域：1)直接方法，直接融合决策成员的偏好信息获取群体偏好向量；2)间接方法，通过变换函数将决策成员的异质偏好结构转换为统一的偏好结构；3)基于优化的方法，构建不同的多目标优化模型，以集结异质结构的偏好信息.上述3类融合方法在不同的大群体决策场景中具有不同的优劣势，根据实际应用场景选择合适的偏好融合方法以实现群体偏好的客观性，而将大群体共识纳入偏好融合过程，将是偏好信息融合理论和方法发展的飞跃.
3)风险性大群体决策方法研究
大群体决策过程中，决策环境的复杂性、决策成员的自身局限性以及群体效应的动态性等主、客观因素，使得大群体决策具有高度不确定性，成为风险性大群体决策的重要风险来源.有选择就有风险，将风险纳入大群体决策中，是保证大群体决策可靠性的主要方法之一，成为大群体决策研究迫切需要考虑和深入探究的主题.风险性大群体决策方法尚处于起步阶段，现有学者多从决策风险识别、决策风险测度等方面着手，对决策成员的个体风险因素和决策冲突等群体风险因素进行了深入探讨，为风险性大群体决策奠定了一定的基础.但在大群体决策风险控制与消解、决策风险演化等方面的研究显得不足，这也是今后的研究热点，也是突破性和原创性研究成果的重要领域.
4)社会网络下的大群体决策方法研究
传统的群体决策经常假设决策者之间是独立的并且没有关系.但是，在大群体决策中，决策成员之间通常存在不同的社会关系和内在多样性，会生成其它信息[85-86]，例如决策成员的信任或信誉.因此，利用社会网络分析，考虑整合社会关系信息研究大群体决策成为处理决策成员关系的比较有效的方法.现有研究多考虑决策成员社会网络中的信任、信誉度等关系，尽管这些关系在大群体决策中的大群体聚类、观点演化和决策共识达成等起着重要作用，但在现实生活中却很难获得.因此，研究新方法、新技术自动识别决策者间的关系，将是社会网络环境下大群体决策研究的热点和难点.
5)大群体行为管理研究
在大群体决策中，决策成员通常代表不同的利益群体，具有不同的教育背景、专业知识和经验水平等，决策偏好具有较大差异，导致大群体决策成员存在比较复杂的决策行为.群体行为管理是大群体决策中非常重要的主题，现有研究主要集中在几类行为上：决策冲突与共识、过度自信、非合作行为、少数意见和极端偏好等方面，提出了一系列识别、反馈、惩罚等控制方法与机制.
由于决策大群体组成成员的复杂性及决策成员行为的不确定性与多样性，大群体行为管理仍具有非常广阔的研究前景.例如：(1)大群体聚类后聚集内部和聚集间存在两层共识关系，如何同时管理这两个层级的共识是一个有趣的问题，有必要设计一种混合策略的共识模型，使得在保持聚集凝聚力的同时，又能保证较高的群体共识.(2)冲突管理是大群体决策理论体系中的重要研究主题，关于群体冲突的分类研究一直困扰着众多研究人员，譬如认知冲突和利益冲突的辨别、识别和控制等将很有研究价值.
3面临的问题和挑战大群体决策已成为一个热门且富有一定成果的研究方向，它具有常规群体决策没有的独特优势，但在其发展过程中，同样也存在一些制约因素.基于上述分析，大群体决策面临的问题和挑战总结如下：
1)在过去的十余年中，大群体决策取得了比较多的研究成果，已经开发了许多大群体决策的方法.但一个不可避免的问题是如何选择一种合适有效的大群体决策方法来解决实际问题，缺乏一个由指标组成的评估框架来评价不同大群体决策问题的结果及不同大群体决策方法的效果.
2)在大群体决策问题中，决策者的意见、观点或偏好通常存在较大的差异.然而，在大群体冲突消解(共识达成)过程中，现有研究大多使用汇总的群体意见作为参考点来衡量聚集或群体的冲突水平(共识水平)并进行偏好修正和调整.这些以群体偏好作为参考点的方法需要将聚集成员的意见汇总为聚集的意见直至群体的意见，此过程增加了决策复杂性.此外，不同的群体偏好聚类、偏好信息融合方法可能导致不同的结果，难以保证良好的鲁棒性.
3)大群体聚集可以看成决策过程中的中间决策单元，不仅是聚集偏好或观点的表达，还是不同聚集间偏好或观点差异的体现，现有研究多通过聚集偏好的加权平均或算术平均集结为群体偏好，这些集结算子在聚集内非常适用，但在聚类后观点相似度不高的聚集间的偏好集结中，其适用性有待提高.因此，研究大群体偏好集结避免聚集观点冲突和信息损失是非常必要的并且具有较高的挑战性.
4)决策专家权重确定始终是大群体决策中要解决的重要问题.实际上，决策专家的权重可能因其知识结构、专业水平、社会环境和个人经验等因素而有所不同；因此，在大群体决策过程中，决策结果的准确性和有效性很大程度上取决于专家权重确定的合理性和客观性.
4发展趋势基于上述大群体决策发展现状、研究热点和前沿进展的总结，并对面临的问题和挑战进行分析，提出下列大群体决策的发展趋势：
1)大数据时代的到来，特别是人工智能技术的出现，给各行各业带来了新的机遇，大数据、人工智能技术与群体决策理论与方法的结合，将极大改变传统的决策方式，也为大群体决策提供了新的发展方向和研究领域.大群体决策范式正在诸多领域应用越来越广泛，如社交媒体、电子民主平台、群体推荐系统和众筹系统等，并且决策过程越来越依赖人工智能和数据驱动的融合技术，众多数据源成为辅助大群体决策的宝贵资源.从大数据中获取蕴含的高价值信息辅助大群体智能决策，将是消除决策主体主观片面性对大群体决策造成不利影响的较为可靠的方式.大数据、人工智能技术与大群体决策相结合能够把数据优势转变为决策优势，将是大群体智能决策理论与方法发展的一大飞跃.
2)随着互联网、物联网等网络技术的高速发展，移动终端设备智能化程度的增加，大群体决策成员决策参与变得越来越便捷，地域壁垒不再是大群体决策的障碍，这对分布式大群体决策平台(如移动群决策应用软件)的需求将越来越大，特别是如疫情情形下，智能网络决策在高效决策指挥、防控部署等方面能够发挥重要作用.分布式决策平台的运用对网络环境提出了挑战，区块链技术的出现能够有效解决这些问题，分散式网络的区块链技术，无需中央授权即可保证线上活动的移定性、安全性、隐私性和透明性，可以在分布联合决策过程提供高安全性、高流畅性和强时效性的决策环境，将区块链技术应用于网络环境下分布式的大群体决策，将是提高大群体决策效率较前沿的实现途径.
3)大群体及大群体决策的复杂性可以看成是复杂性科学中复杂系统的一种表现形式，涉及决策群体的规模性、决策属性之间的相关性和决策主体的多元复杂性，决策大群体成员偏好之间存在着一定的耦合作用，决策成员或群体的行为遵循一定的规则，通过大群体决策成员之间的整体协作行为，促使群智行为的涌现，显现出更高层次、更加复杂、更加协调的有序性.同时，面对复杂的决策问题，决策共识形成过程中，在面临个人利益与集体困境和决策者间互动时，决策者脑部神经计算过程极度复杂，研究其潜在的神经计算过程，有助于理解大群体决策共识形成过程中不同行为模式的基本原理.因此，掌握大群体决策群体行为机理、合理科学的大群体行为机制设计将是大群体决策效率提升的重要突破口.
4)公众参与下的大群体协同决策.我国的民主化进程及主要的社会和经济决策问题的日益复杂性，社会公众已成为这些复杂决策问题的重要利益相关者，例如重大民生项目的立项和建设决策、政府部门的宏观战略政策、重特大自然灾害和特大突发事件应急决策等，涉及公众参与形式、参与程度、反馈和协调机制及参与效果等.此外，基于互联网的社交网络为社会公众参与各类事件讨论和决策提供了诸多便利条件，决策支持系统更趋社会化.因此，公众参与已成为大群体协同决策过程中不可或缺的重要组成部分.显然，学术界已经对这种新型的大群体决策产生了兴趣.
5结论大群体决策作为决策科学领域的重要分支，为我国经济和社会发展中的复杂决策问题提供了科学有效的解决途径，以其广泛的实际背景和应用前景吸引了学术界和实业界的广泛关注.本文从多属性大群体决策方法、冲突性大群体决策方法和风险性大群体决策方法三个主要大群体决策领域的研究与发展现状进行了较为系统地回顾和综述，然后归纳了大群体决策当前的研究热点和前沿进展状况，分析了大群体决策面临的问题和挑战，在此基础上指出了大群体决策今后的发展趋势，为广大决策科学研究者提供一个借鉴.